Deep Learning Meets Software Engineering: A Survey on Pre-Trained Models of Source Code
近年来,深度学习在软件工程(SE)中得到了成功的应用。特别是,开发和使用源代码的预训练模型,使各种SE任务都能实现最先进的结果。本文概述了这一快速发展的研究领域,并对未来的研究方向进行了思考。
2022-05-24 cs.AI cs.SE
Model Complexity of Deep Learning: A Survey
Simon Fraser University(西蒙弗雷泽大学);McMaster University(麦克马斯特大学);Microsoft Research(微软研究院)
模型复杂度是深度学习中的一个基本问题。本文对深度学习中模型复杂性的最新研究进行了系统的综述。深度学习的模型复杂度可以分为表达能力和有效模型复杂度。本文从模型框架、模型规模、优化过程和数据复杂度四个方面对这两类问题的现有研究进行了综述。我们还讨论了深度学习模型复杂性的应用,包括理解模型泛化、模型优化以及模型选择和设计。最后,我们提出了几个有趣的未来方向。
2021-08-03 cs.AI cs.LG
Deep Learning for 3D Point Cloud Understanding: A Survey
University of Illinois at Urbana-Champaign(伊利诺伊大学厄巴纳-香槟分校);University of Oregon(俄勒冈大学)
随着自动驾驶和机器人等实际应用的发展,人们越来越关注3D点云理解。虽然深度学习在基于图像的任务上取得了显著的成功,但深度神经网络在处理大规模、非结构化和有噪声的3D点时面临着许多独特的挑战。为了展示用于3D点云理解的深度学习的最新进展,本文从几个不同的方向(分类、分割、检测、跟踪、流估计、配准、增强和完成)总结了该领域最近的显著研究贡献,以及常用的数据集、度量和最先进的性能。有关此调查的更多信息,请访问:https://github.com/SHI-Labs/3D-Point-Cloud-Learning。
2021-05-23 cs.CV cs.LG
An Introductory Survey to Autoencoder-based Deep Clustering -- Sandboxes for Combining Clustering with Deep Learning
Aalto University, University of Helsinki(阿alto大学,赫尔辛基大学);Faculty of Computer Science, University of Vienna(计算机科学学院,维也纳大学)
本综述介绍基于自编码器的深度聚类基础算法,利用其无监督低维表示能力缓解维度灾难,并作为现代聚类方法的核心构建模块。
2025-05-26 cs.AI cs.LG
A Survey of research in Deep Learning for Robotics for Undergraduate research interns
Maulana Azad National Institute of Technology(莫拉纳·阿扎德国家技术研究院);JNResearch Labs LLP(JN研究实验室有限责任公司)
在过去的几年里,基于机器人的解决方案的用例已经从工厂车间到家庭应用多样化。与此同时,深度学习方法正在取代计算机视觉、自然语言处理、语音处理等领域的传统技术,并提供稳健的结果。我们的目标是调查“应用于机器人的深度学习”这一广泛领域的一些研究实习项目,并为有抱负的学生实习生提供一个简明的观点。本文介绍了CMU机器人研究所暑期学者(RISS)的研究工作。我们特别关注使用深度学习来解决核心机器人问题以及机器人解决方案的论文。我们相信这将是有用的,特别是对实习的机器人研究所,CMU的抱负
2023-01-23 cs.AI cs.RO
Deep Graph Generators: A Survey
Sharif University of Technology(谢里夫理工大学);Amirkabir University of Technology(阿米尔卡比尔理工大学)
过去几年,深度生成模型在图像、语音和自然语言处理等领域取得了巨大成功。由于基于图的深度学习的进步,特别是图表示学习,深度图生成方法最近出现了新的应用,从发现新的分子结构到建模社交网络。本文对基于深度学习的图形生成方法进行了全面的调查,并将其分为五大类,即自回归,基于自编码器,基于RL,对抗和基于流的图形生成器,为读者提供了每类方法的详细描述。我们还提供了公开的源代码,常用的数据集和最广泛使用的评估指标。最后,我们强调了现有的挑战,并讨论了未来的研究方向。
2020-12-31 cs.AI cs.LG cs.SI
Design Automation for Fast, Lightweight, and Effective Deep Learning Models: A Survey
Aalborg University(奥尔堡大学);University of New South Wales(新南威尔士大学)
深度学习技术已经在广泛的任务中表现出显著的有效性,并且深度学习具有推进多种应用的潜力,包括在边缘计算中,其中在边缘设备上部署深度模型以实现即时数据处理和响应。一个关键的挑战是,虽然深度模型的应用通常会产生大量的内存和计算成本,但边缘设备通常只提供非常有限的存储和计算能力,这些能力在设备之间可能会有很大的差异。这些特征使得很难构建深度学习解决方案,在满足其限制的同时释放边缘设备的潜力。解决这一挑战的一个有前途的方法是自动设计有效的深度学习模型,这些模型是轻量级的,只需要很少的存储,并且只产生很低的计算开销。本调查全面涵盖了针对边缘计算的深度学习模型的设计自动化技术研究。它概述和比较了常用的关键指标,这些指标通常用于量化模型在有效性,亮度和计算成本方面的熟练程度。然后,调查继续涵盖三个类别的最先进的深度模型设计自动化技术:自动神经架构搜索,自动模型压缩,联合自动设计和压缩。最后,调查涵盖了开放的问题和未来的研究方向。
2022-08-22 cs.AI cs.LG cs.SE
A Survey on Deep Learning for Human Mobility
Fondazione Bruno Kessler (FBK)(布鲁诺·凯斯勒基金会(FBK));Free University of Bolzano(博尔扎诺自由大学);Amazon Alexa(亚马逊Alexa);Institute of Information Science and Technologies, National Research Council (ISTI-CNR)(国家研究委员会信息科学与技术研究所(ISTI-CNR))
对人类流动性的研究至关重要,因为它对我们社会的几个方面产生了影响,例如疾病传播,城市规划,福祉,污染等等。数字移动数据的激增,如电话记录、GPS跟踪和社交媒体帖子,加上人工智能的预测能力,引发了深度学习在人类移动中的应用。现有的调查集中在单一任务、数据源、机械或传统的机器学习方法上,而缺乏对深度学习解决方案的全面描述。本调查提供了移动任务的分类,讨论了与每个任务相关的挑战以及深度学习如何克服传统模型的局限性,描述了与上述移动任务最相关的解决方案以及未来的相关挑战。我们的调查是领先的深度学习解决方案的指南,用于下一个位置预测,人群流量预测,轨迹生成和流量生成。与此同时,它帮助深度学习科学家和实践者理解人类流动性研究的基本概念和开放性挑战。
2021-06-27 cs.AI cs.LG cs.SI
A Survey of Deep Fake Detection for Trial Courts
Sam Houston State University(萨姆休斯顿州立大学)
近来,由于先进的图像编辑工具的进步,图像操纵已经实现了快速增长。最近使用神经网络生成的虚假图像和视频激增是DeepFake。DeepFake算法可以创建人类无法区分的虚假图像和视频。GAN(GANs)已被广泛用于创建逼真的图像,而无需访问原始图像。因此,检测虚假视频以避免传播虚假信息变得至关重要。本文介绍了迄今为止文献中用于检测DeepFakes的方法和可用于检测DeepFakes的数据集。我们提出了与DeepFake技术相关的广泛讨论和研究趋势。
2022-05-31 cs.AI cs.CV
A Survey of Deep Learning Techniques for Mobile Robot Applications
多年来,深度学习的进步吸引了对人工神经网络在机器人系统中的深度的研究。本研究综述将对当前的研究进行总结,特别关注深度学习应用于移动机器人的收益和障碍。
2018-03-20 cs.CV cs.RO
Boosting Deep Neural Networks with Geometrical Prior Knowledge: A Survey
Robert Bosch GmbH(罗伯特·博世有限公司);University of Lübeck(吕贝克大学)
深度神经网络通过利用大量的训练数据,在许多不同的问题设置中获得最先进的结果。然而,收集、存储和--在监督学习的情况下--标记数据是昂贵和耗时的。此外,评估网络的泛化能力或预测在输入变换下推断的输出如何变化是复杂的,因为网络通常被视为黑盒。这两个问题都可以通过将先验知识结合到神经网络中来缓解。受卷积神经网络在计算机视觉任务中的成功启发,一种有前途的方法是结合关于问题的对称几何变换的知识来解决,以可预测的方式影响输出。这有望提高数据效率和更可解释的网络输出。在这篇综述中,我们试图对将几何先验知识引入神经网络的不同方法进行简要概述。此外,我们将这些方法与自动驾驶的3D目标检测相连接,我们希望在应用这些方法时获得有希望的结果。
2023-03-03 cs.CV cs.LG
A Survey of Explainable AI in Deep Visual Modeling: Methods and Metrics
The University of Western Australia(西澳大利亚大学)
深度视觉模型在高风险领域有着广泛的应用。因此,它们的黑盒性质目前吸引了研究界的极大兴趣。我们提出了可解释人工智能的第一个调查,重点是解释深度视觉模型的方法和指标。覆盖沿着国家的最先进的里程碑式的贡献,我们不仅提供了现有技术的分类组织,而且还挖掘了一系列的评估指标,并整理它们作为模型解释的不同属性的措施。随着对当前趋势的深入讨论,我们还讨论了这一研究方向的挑战和未来的途径。
2023-01-31 cs.AI cs.CV cs.LG
Survey on Deep Learning-based Kuzushiji Recognition
Meisei University(明星大学)
由于深度学习方法在2012年图像分类竞赛中展示了压倒性的准确性,深度学习已成功应用于各种其他任务。通过使用深度学习,可以高精度地检测和识别用于转录历史文献的日本草书。近年来,已经举行了关于Kuzushiji识别的比赛,并且许多研究人员提出了各种识别方法。本研究探讨了使用深度学习识别Kuzushiji的最新研究趋势,当前问题和未来前景。
2020-07-19 cs.CV
A Brief Survey of Deep Reinforcement Learning
深度强化学习有望彻底改变人工智能领域,并代表着构建对视觉世界有更高理解的自主系统的一步。目前,深度学习使强化学习能够扩展到以前难以解决的问题,例如直接从像素学习玩视频游戏。深度强化学习算法也被应用于机器人技术,允许机器人的控制策略直接从现实世界中的摄像机输入中学习。在本调查中,我们首先介绍强化学习的一般领域,然后介绍基于价值观和基于政策的方法的主流。我们的调查将涵盖深度强化学习中的核心算法,包括深度$Q$网络,信任区域策略优化和异步优势演员-评论家。同时,我们强调了深度神经网络的独特优势,重点是通过强化学习进行视觉理解。最后,我们描述了该领域内的几个当前研究领域。
2017-09-28 cs.AI cs.CV cs.LG
Deep Learning for Image Denoising: A Survey
Harbin Institute of Technology(哈尔滨工业大学);Guangdong University of Technology(广东工业大学)
自大数据分析和图形处理单元(GPU)提出以来,深度学习技术受到了极大的关注,并在图像处理领域得到了广泛的应用。本文旨在全面回顾和总结近年来提出的用于图像去噪的深度学习技术。同时,系统地分析了传统的机器学习方法在图像去噪中的应用。最后指出了深度学习技术在图像去噪中的研究方向。
2018-10-11 cs.CV
Geometric and Learning-based Mesh Denoising: A Comprehensive Survey
Nanjing University of Aeronautics and Astronautics(南京航空航天大学)
网格去噪是数字几何处理中的一个基本问题。它试图去除表面噪声,同时尽可能准确地保留表面固有信号。虽然传统的智慧是建立在光滑表面的专业先验之上的,但基于学习的方法在泛化和自动化方面取得了巨大成功。在这项工作中,我们提供了一个全面的审查网格去噪的进展,包括传统的几何方法和最近的学习为基础的方法。首先,为了让读者熟悉去噪任务,我们总结了网格去噪中的四个常见问题。然后,我们提供了现有的去噪方法的两个分类。此外,三个重要的类别,包括优化,过滤器,和数据驱动的技术,分别进行了详细的介绍和分析。定性和定量的比较,说明了国家的最先进的去噪方法的有效性。最后,指出了未来工作的潜在方向,以解决这些方法的共同问题。内置的的网格去噪基准也建立在这项工作中,未来的研究人员将很容易和方便地评估他们的方法与国家的最先进的方法。
2022-09-02 cs.CV
A Survey on Deep Learning Methods for Robot Vision
Universidad de Chile(智利大学)
深度学习使得模式识别发生了范式转变,从使用手工制作的特征和统计分类器到使用通用学习过程来学习数据驱动的表示、特征和分类器。这种新范式在计算机视觉中的应用尤其成功,其中面向视觉应用的深度学习方法的开发已成为热门研究课题。鉴于深度学习已经引起了机器人视觉社区的关注,本次调查的主要目的是解决深度学习在机器人视觉中的使用问题。为了实现这一目标,全面概述了深度学习及其在计算机视觉中的应用,其中包括最常用的神经模型及其主要应用领域的描述。然后,介绍了用于设计基于深度学习的视觉系统的标准方法和工具。然后,回顾了在机器人视觉中使用深度学习的主要工作,以及在机器人技术中使用深度学习的当前和未来趋势。本综述旨在为机器人视觉系统的开发者提供指导。
2018-03-28 cs.CV
Deep Visual Domain Adaptation: A Survey
Beijing University of Posts and Telecommunications(北京邮电大学)
深度域自适应已经成为一种新的学习技术,以解决缺乏大量标记数据的问题。与学习共享特征子空间或重用具有浅表示的重要源实例的传统方法相比,深度域自适应方法通过在深度学习的流水线中嵌入领域自适应来利用深度网络来学习更多可传递的表示。对于浅域适应已经有了全面的调查,但是很少有及时的评论新兴的基于深度学习的方法。在本文中,我们提供了一个全面的调查深领域自适应方法的计算机视觉的应用有四个主要贡献。首先,我们根据定义两个域如何分叉的数据属性,提出了不同深度域自适应场景的分类。其次,我们总结了几类基于训练损失的深度域自适应方法,并简要分析和比较了这些类别下的最先进的方法。第三,我们概述了计算机视觉在图像分类之外的应用,如人脸识别、语义分割和目标检测。第四,目前的方法和未来的几个方向的一些潜在的不足之处突出。
2018-05-25 cs.CV
A Survey of Deep Learning in Sports Applications: Perception, Comprehension, and Decision
Zhejiang University(浙江大学);Zhejiang University-University of Illinois Urbana-Champaign Institute(浙江大学伊利诺伊大学厄巴纳香槟校区联合学院);University of Washington(华盛顿大学)
本文从算法、数据集与虚拟环境及挑战三方面综述了深度学习在运动表现中的感知、理解与决策应用,并展望未来趋势。
2023-07-07 cs.CV
Deep Learning Algorithms with Applications to Video Analytics for A Smart City: A Survey
Nanyang Technological University(南洋理工大学)
深度学习最近在计算机视觉、语音识别和自然语言处理等广泛领域取得了非常有前途的成果。它旨在通过使用深度架构模型来学习数据的分层表示。在智慧城市中,需要自动处理和分析大量数据(例如从许多分布式传感器捕获的视频)。本文从目标检测、目标跟踪、人脸识别、图像分类和场景标注等不同研究主题出发,综述了应用于智慧城市视频分析的深度学习算法。
2015-12-10 cs.CV
Deep Learning for Generic Object Detection: A Survey
National University of Defense Technology(国防科技大学);University of Oulu(奥卢大学);University of Sydney(悉尼大学);Chinese University of Hong Kong(香港中文大学);University of Waterloo(滑铁卢大学)
目标检测是计算机视觉中最基本和最具挑战性的问题之一,它试图从自然图像中的大量预定义类别中定位目标实例。深度学习技术已经成为直接从数据中学习特征表示的强大策略,并在通用目标检测领域取得了显着突破。鉴于这一快速发展的时期,本文的目标是全面调查深度学习技术在这一领域带来的最新成就。超过300个研究成果包括在这项调查中,涵盖了许多方面的通用目标检测:检测框架,对象特征表示,对象提案生成,上下文建模,训练策略和评估指标。我们通过确定未来研究的有希望的方向来完成调查。
2019-08-22 cs.CV
Deep Learning for Image Super-resolution: A Survey
Salesforce Research Asia(亚洲 Salesforce 研究院);Singapore Management University(新加坡管理大学);South China University of Technology(华南理工大学)
图像超分辨率是计算机视觉中提高图像和视频分辨率的一类重要的图像处理技术。近年来,使用深度学习技术的图像超分辨率取得了显着进展。本文旨在全面综述使用深度学习方法实现图像超分辨率的最新进展。在一般情况下,我们可以大致分为三个主要类别:监督SR,无监督SR,特定领域的SR。此外,我们还涵盖了其他一些重要的问题,如公开的基准数据集和性能评估指标。最后,我们总结了几个未来的发展方向和有待社会进一步解决的问题。
2020-02-08 cs.CV
Geometric Graph Representations and Geometric Graph Convolutions for Deep Learning on Three-Dimensional (3D) Graphs
IBM(国际商业机器公司)
由节点和边组成的三维(3D)图的几何在许多重要应用中起着至关重要的作用。一个很好的例子是分子图,其几何形状影响分子的重要性质,包括其反应性和生物活性。为了便于在3D图形的深度学习中引入几何,我们定义了三种类型的几何图形表示:位置、角度几何和距离几何。为了证明概念,我们使用距离几何图表示几何图卷积。此外,为了利用标准图卷积网络,我们采用了一个简单的边权重/边距离相关方案,其参数可以使用参考值固定或通过贝叶斯超参数优化确定。ESOL和Freesol数据集的几何图卷积的结果显示出比标准图卷积的结果有显着的改进。我们的工作证明了在3D图形的深度学习中使用距离几何图形表示来结合几何的可行性和前景。
2020-06-02 cs.CV cs.LG
Medical Image Segmentation Using Deep Learning: A Survey
Shaanxi University of Science and Technology(陕西科技大学);Lanzhou Jiaotong University(兰州交通大学);Brunel University London(伦敦布鲁内尔大学)
深度学习已被广泛用于医学图像分割,并且已经提出了大量记录深度学习在该领域的成功的论文。在本文中,我们使用深度学习技术对医学图像分割进行了全面的专题调查。本文有两个原创性的贡献。首先,与传统的直接将深度学习医学图像分割文献分成许多组并对每组文献进行详细介绍的调查相比,我们将目前流行的文献按照从粗到细的多层次结构进行分类。其次,本文重点介绍了监督和弱监督学习方法,不包括无监督方法,因为它们已经在许多旧的调查中介绍,目前还不流行。对于有监督学习方法,我们从主干网的选择、网络块的设计和损失函数的改进三个方面对文献进行了分析。对于弱监督学习方法,我们分别根据数据增强、迁移学习和交互式分割来研究文献。与现有的调查相比,本次调查对文献的分类与以往有很大不同,更便于读者理解相关原理,并将引导他们思考基于深度学习方法的医学图像分割的适当改进。
2021-12-22 cs.CV eess.IV
DeepFakes and Beyond: A Survey of Face Manipulation and Fake Detection
Universidad Autonoma de Madrid(马德里自治大学)
对大型公共数据库的免费访问,以及深度学习技术的快速发展,特别是生成对抗网络,导致了非常逼真的虚假内容的生成,并在这个假新闻时代对社会产生了相应的影响。这项调查提供了一个全面的审查技术,用于操纵面部图像,包括DeepFake方法,以及方法来检测这种操纵。特别是,审查了四种类型的面部操作:i)整个面部合成,ii)身份交换(DeepFakes),iii)属性操作和iv)表情交换。对于每个操纵组,我们提供了有关操纵技术,现有公共数据库和假冒检测方法技术评估的关键基准的详细信息,包括这些评估的结果摘要。在调查中讨论的所有方面中,我们特别关注最新一代的DeepFakes,强调其在假货检测方面的改进和挑战。除了调查信息,我们还讨论了开放的问题和未来的趋势,应该考虑在该领域的进步。
2020-06-18 cs.CV cs.MM
Image Captioning based on Deep Learning Methods: A Survey
University of Chinese Academy of Sciences(中国科学院大学)
图像描述是人工智能领域的一项具有挑战性的研究课题,在高效图像检索、智能导盲、人机交互等方面有着广泛的应用前景。本文综述了基于深度学习方法的图像描述的研究进展,包括编码器-解码器结构、编码器改进方法、解码器改进方法、和其他改进。最后,我们讨论了未来的研究方向。
2019-05-20 cs.CL cs.CV cs.LG
Deep Geometric Distillation Network for Compressive Sensing MRI
Xiangtan University(湘潭大学)
压缩感知(CS)是一种在$k$ -空间中从少量采样数据重建MR图像,加速MRI采集的有效方法。在这项工作中,我们提出了一种新的深度几何蒸馏网络,它结合了基于模型和基于深度学习的CS-MRI方法的优点,理论上可以保证改善线性重建的几何纹理细节。首先,我们将基于模型的CS-MRI优化问题分解为图像线性逼近和图像几何补偿两个子问题。其次,对逼近阶段提取丢失纹理细节的几何补偿子问题进行泰勒展开,设计融合不同几何特征域特征的几何提取模块。此外,我们使用了一个可学习的版本,具有自适应的步长参数初始化,这使得模型具有更大的灵活性,可以顺利收敛。数值实验验证了它的优越性比其他国家的最先进的CS-MRI重建方法。源代码将在\url{https://github.com/fanxiaohong/Deep-Geometric-Distillation-Network-for-CS-MRI}上提供
2021-08-27 cs.CV eess.IV
Geometric robustness of deep networks: analysis and improvement
École Polytechnique Fédérale de Lausanne(洛桑联邦理工学院)
深度卷积神经网络已被证明易受任意几何变换的影响。然而,目前还没有系统的方法来衡量深度网络对这种变换的不变性。我们提出ManiFool作为一个简单但可扩展的算法来衡量深度网络的不变性。特别是,我们的算法在最坏情况下测量了深度网络对几何变换的鲁棒性,因为它们对于敏感的应用程序可能是有问题的。我们的大量实验结果表明,ManiFool可以用来衡量相当复杂的网络在高维数据集上的不变性,这些值可以用来分析其原因。此外,我们基于ManiFool提出了一种新的对抗性训练方案,我们展示了它在提高深度神经网络的不变性方面的有效性。
2017-11-24 cs.CV cs.LG
Deep Learning in Medical Image Registration: A Survey
Rensselaer Polytechnic Institute(伦斯勒理工学院)
通过稳健的图像配准建立图像对应关系对于许多临床任务(例如图像融合、器官图谱创建和肿瘤生长监测)是至关重要的,并且是非常具有挑战性的问题。自最近深度学习复兴开始以来,医学成像研究界已经开发出基于深度学习的方法,并在许多应用中实现了最先进的技术,包括图像配准。在过去几年中,深度学习在图像配准应用中的快速采用需要进行全面的总结和展望,这是本次调查的主要范围。这需要把重点放在不同的研究领域,以及突出从业者面临的挑战。因此,本调查概述了基于深度学习的医学图像配准在过去几年中的研究挑战和相关创新背景下的演变。此外,这项调查突出了未来的研究方向,以显示如何这一领域可能会向前迈进到一个新的水平。
2020-01-21 cs.CV eess.IV q-bio.QM
A Comprehensive Survey of Deep Learning for Image Captioning
Murdoch University(莫道克大学)
生成图像的描述被称为图像描述。图像描述需要识别图像中的重要对象及其属性和关系。它还需要生成语法和语义正确的句子。基于深度学习的技术能够处理图像描述的复杂性和挑战。在这篇调查论文中,我们旨在对现有的基于深度学习的图像描述技术进行全面回顾。我们讨论了技术的基础,分析其性能,优势和局限性。我们还讨论了基于深度学习的自动图像描述中常用的数据集和评估指标。
2018-10-14 cs.CV cs.LG stat.ML
The Creation and Detection of Deepfakes: A Survey
Georgia Institute of Technology(佐治亚理工学院);Ben-Gurion University(本-古里安大学)
生成式深度学习算法已经发展到很难区分真假的地步。2018年,人们发现这项技术很容易被用于不道德和恶意的应用程序,例如传播错误信息,冒充政治领导人和诽谤无辜的个人。从那时起,这些“deepfake”已经取得了显着进展。在本文中,我们将探讨deepfake的创建和检测,并深入了解这些架构的工作原理。本调查的目的是让读者更深入地了解(1)如何创建和检测Deepfake,(2)该领域的当前趋势和进展,(3)当前防御解决方案的缺点,以及(4)需要进一步研究和关注的领域。
2020-09-13 cs.CV cs.LG eess.IV
Deep learning in agriculture: A survey
Institute for Food and Agricultural Research and Technology (IRTA)(食品与农业研究技术研究所(IRTA))
深度学习是一种用于图像处理和数据分析的现代技术,具有良好的效果和巨大的潜力。随着深度学习在各个领域的成功应用,它最近也进入了农业领域。在本文中,我们对40项采用深度学习技术的研究工作进行了调查,这些研究工作应用于各种农业和食品生产挑战。我们研究了所研究的特定农业问题,所采用的具体模型和框架,所使用的数据的来源,性质和预处理,以及根据所研究的每项工作所使用的指标所实现的整体性能。此外,我们研究了深度学习与其他现有流行技术在分类或回归性能方面的差异。我们的研究结果表明,深度学习提供了高准确性,优于现有的常用图像处理技术。
2018-07-31 cs.CV cs.LG stat.ML
Object Recognition Using Deep Neural Networks: A Survey
IIT Kanpur(印度理工学院坎普尔分校);Pace University(佩斯大学)
使用深度神经网络识别物体是一个活跃的研究领域,在过去几年中取得了许多突破。本文试图说明这一领域的进展。本文简要介绍了神经网络的研究历史,并介绍了该领域的一些最新进展。最近开发的神经网络算法的性能在基准数据集已制成表格。最后给出了该领域的一些应用。
2014-12-10 cs.CV cs.LG cs.NE
A survey of deep learning optimizers -- first and second order methods
Indian Institute of Science(印度科学学院)
本文综述深度学习中 14 种常用一阶和二阶优化方法,并结合优化理论分析高维损失最小化面临的鞍点、局部极小值、Hessian 病态及算力限制等问题。
2023-09-27 cs.CV cs.LG math.OC
A Survey on Deep Learning Architectures for Image-based Depth Reconstruction
Murdoch University(默多克大学);University of South Australia(南澳大学)
从RGB图像估计深度是一个长期存在的不适定问题,计算机视觉、图形学和机器学习社区已经探索了几十年。在这篇文章中,我们提供了一个全面的调查,在这一领域的最新发展。我们将专注于使用深度学习技术从一个或多个图像中估计深度的作品。深度学习加上大型训练数据集的可用性,彻底改变了研究界处理深度重建问题的方式。在本文中,我们调查了过去五年中出现的100多个关键贡献,总结了最常用的管道,并讨论了它们的优点和局限性。回顾到目前为止所取得的成就,我们还推测未来可能会举行基于学习的深度重建研究。
2019-06-14 cs.CV cs.GR cs.RO